本文来自微信公众号：字母AI，作者：袁心玥，题图来自：AI生成
在昨夜凌晨的直播中，OpenAI发布了新一代语音模型GPT-Live，并宣布它将开始驱动ChatGPT Voice。
上次ChatGPT Voice的代际更新，还是2024年5月GPT-4o发布时展示的Advanced Voice；同年7月，它开始向部分Plus用户小范围推出。到GPT-Live发布，已经过去了两年。
这一次，OpenAI把full-duplex，也就是全双工架构，带进了ChatGPT Voice。
过去的AI语音助手，大多像一台反应很快的对讲机：用户说完一句，模型再回一句；模型说话时，用户可以打断，但系统往往要重新判断、重新组织回答。
它已经像对话，却还不够自然，不像真正的聊天。
GPT-Live要解决的，正是这层微妙的差别。
该功能今天将在ChatGPT上正式启用。但……反响似乎并不算很好？
对ChatGPT Voice的一次补课
在真实聊天里，除了打辩论，人和人很少是一句接一句、整整齐齐地轮流发言。我们会停顿，会犹豫，会突然改口，也会在对方说话时补一句“等等，不是这个意思”。
有时候，一声“嗯嗯”“我懂”，比一段完整回答更重要；有时候，最好的回应反而是先不要说话，让对方继续往下说。
过去的AI语音助手，最难处理的正是这些细节。
无论是ChatGPT、Gemini还是我们最熟悉的豆包，它们在“聊天”上都很干涩，很有人机感。
它们可以回答问题，可以读出文字，也可以在用户打断时停止。但它们通常仍然依赖一个前提：先判断用户是不是已经说完了，再决定模型该不该说话。判断一旦出错，对话就会变得别扭。
用户只是停顿了一秒，它可能以为问题结束了，急着接话；用户说到一半改了主意，它可能还在沿着上一句话往下答；背景里有人说话，它也可能把不属于用户的声音当成输入。
GPT-Live要改善的，就是这些很难被包装成“大功能”、但会直接决定体验的小问题。
要理解现在的GPT-Live，先要看OpenAI此前的语音系统是怎么工作的。
最早的ChatGPT Voice，采用的是级联语音系统（cascaded voice system）。
简单说，它不是一个模型从头到尾处理语音，而是由多个模型接力完成：先把用户的语音转成文字，再让大语言模型根据文字生成回答，最后再把文字转换成语音。
这套方案的好处是容易搭建，也能很快把大语言模型接进语音交互里。但它的问题也很明显：语音里的大量信息，会在“语音转文字”的第一步就丢失。
模型生成回答时，它看到的往往只是一段被整理过的文字，而不是完整的对话现场。用户的语气、停顿、情绪变化，并不会进入后面的语言模型。再加上多个模型串联，延迟也会被一层层叠加，语音助手就很容易变成“听一句、想一下、再念一句”。
GPT-4o之后，OpenAI推出了Advanced Voice，开始用原生音频模型直接处理和生成声音。
相比级联系统，这是一次明显的进步：模型不用先把所有语音转成文字，再绕一圈生成语音；它能保留更多音频细节，延迟也更低，用户可以更自然地打断。
但Advanced Voice仍然没有完全摆脱回合制。
OpenAI在介绍GPT-Live时，把此前的Advanced Voice称为回合制语音模型（turn-based voice model）。它已经比传统语音助手更自然，但仍然要先判断用户是否说完，再决定模型是否应该开始回答。
这个机制在文本聊天里没有问题，用户按下发送键，就等于明确告诉模型这一轮输入结束了——但语音聊天并不会有那个按钮，什么时候应该回答，需要由模型自己判断。
用户停顿一秒，可能是说完了，也可能只是还在想；用户拖长音，可能是在组织语言，也可能是酝酿情绪；背景里传来别人的声音，可能被误判成新的输入。
回合制语音模型最难处理的，就是这个边界。
GPT-Live通过两项架构上的改进，去解决这个问题。
第一项改进，是把语音对话从“轮流发言”推进到full-duplex。
它可以持续听、持续判断、持续生成语音，而不只是在用户结束发言后才进入回答状态。
或者说，模型在参与一场仍在发生的对话，而不只是回答一个已经结束的问题。
根据官方介绍，GPT-Live每秒可以做出多次交互决策：是继续说话、继续倾听、暂停、打断对方的话语，还是调用某个工具。这让它能够进行更自然的互动交流、更好地把握时间顺序，甚至可以实时翻译。
可以看到，在用户说话的过程中，GPT-Live会给出一些情绪上的回应。就像你和你朋友煲电话粥，总会夹杂着一些“嗯”“哦”的声音。
事实上，GPT-Live并不是第一个尝试全双工架构的语音模型。此前Kyutai的Moshi、英伟达的PersonaPlex，以及一批学术模型，已经在探索让AI同时听和说，处理停顿、插话和短反馈；谷歌的Gemini Live虽然没有强调全双工，但也已经在做实时语音对话和原生音频模型，方向上非常接近。
GPT-Live的不同之处，是把“边听边说”的能力带进了ChatGPT这个主流入口，并且能和OpenAI的其它模型一起配合。
这就要说到第二项改进：语音交互层和后台智能之间的分工。
GPT-Live并不只是一个“更会说话的模型”，它更像ChatGPT的实时语音交互层：负责听、说、等待、打断、判断何时回应，也负责维持对话节奏。
遇到需要搜索、推理或复杂任务的问题时，它可以把任务交给背后的更强模型处理。
语音模型不必在每一句话里都承担全部智能压力。简单问题可以快速回答，复杂问题可以调用更高强度的推理；对话层负责保持流畅，后台模型负责完成真正的思考和任务处理。
这个架构同样不是很新，但不新，并不代表不好用。
我更愿意理解为这是OpenAI对ChatGPT Voice的一次补课：把过去已经在行业里出现的实时语音交互能力，和full-duplex语音结合起来，然后塞到ChatGPT里。
评测与评价
GPT-Live的实际效果，现在还不适合下太满的结论。
每次发布新模型，OpenAI都很擅长围绕新能力重新定义一套评估标准。模型会推理，就强调推理；模型会写代码，就强调代码。
这次它同样给出了一套自己的评估结果，包括对中断、等待、短反馈、背景噪音、语音理解等能力的测试。
根据这套新建的评估标准，在5到10分钟的匹配语音对话中，评测者明显更偏好GPT-Live-1和GPT-Live-1 mini。
除此之外，还有一些别的榜单，或许值得一看。
OpenAI称，GPT-Live-1在GPQA、BrowseComp和内部版本的τ³-Voice Telecom上都超过Advanced Voice Mode，分别对应科学推理、网页搜索和多轮电信客服任务。
但这部分也不能简单理解成“GPT-Live这个语音模型本身变聪明了”。因为GPT-Live在遇到搜索、推理和复杂任务时，会把任务交给背后的GPT-5.5。
换句话说，官方评估更像是在证明新的ChatGPT Voice系统更强，而不是单独证明语音交互层本身已经完成了质变。
而且你们可能已经注意到了，它只做了纵向比较（和自己以前的模型作对比），横向是一点也没提。
我们无从得知，GPT-Live放到整个语音AI行业里，到底处在什么位置。
网友对此的评价比较两极分化。
一部分人认为，这次更新具有非常大的潜力，如果能用在编程上，或许会改变很多人的习惯。
但也有很多网友认为，GPT-Live这种频频回应的方式有些令人生厌。
还有人指出了它现在的问题，比如在实时模式下无法查询到ChatGPT的记忆，又比如明明是语音功能，却在摄像头模式和屏幕共享模式下无法使用。
对，是的，无法使用。
根据官方文档，GPT-Live现已在全球范围内向所有使用iOS、Android系统的ChatGPT用户以及ChatGPT.com的用户开放。对于Go、Plus和Pro版用户来说，GPT-Live-1将成为驱动ChatGPT Voice功能的默认模型；而对于免费用户而言，GPT-Live-1 mini则将成为默认模型。
在推出时，GPT-Live不支持在ChatGPT中进行语音通话、视频通话或屏幕共享功能。官方正在努力尽快添加这些功能，用户仍然可以使用ChatGPT Voice的旧版本，包括标准语音模式和高级语音模式，这些版本中包含上述功能。
语音助手，先要变得不烦人
OpenAI披露，每周已经有超过1.5亿人通过Voice和Dictation与ChatGPT说话。用户拿它做的事情很日常：腾不出手时问点日常问题，练外语，讲睡前故事，通勤路上聊天。
这些事情算不上很炫酷，却是语音功能最真实的使用场景。
根据官方文档，OpenAI这次把升级拆成了四个方向：更自然的对话、更聪明的回答、更好的聆听，以及可视化回答。
更自然的对话，对应的是用户可以中途插话，可以停下来想一想，也可以要求ChatGPT放慢语速。模型会用“嗯嗯”“明白”这类短反馈表示自己在听，而不是永远等到用户说完才突然开始输出一大段回答。
OpenAI还重新处理了ChatGPT里的九种声音，让它们更适配GPT-Live。
更聪明的回答，对应的是语音模式和最新前沿模型的连接。用户可以选择不同推理强度：Instant用来快速回答，Medium和High则给需要更多思考的问题使用。
这个设计其实挺现实的，因为语音场景对延迟非常敏感。问一个简单问题时，你可能希望它立刻回答；讨论一个复杂问题时，又需要它真的多想一会儿。
更好的聆听，则是这次升级里最接近日常体验的一点。用户停顿时，ChatGPT Voice应该等待，而不是急着插话；用户要求它先安静听，它就应该保持安静；背景里有车声、旁边人说话时，它也要更专注于用户本人的声音。
对语音助手来说，这些能力听起来不如“推理更强”响亮，但往往决定用户愿不愿意继续用。
当然，从首批反馈看，GPT-Live还没有完全解决这个问题。有用户认为它的短反馈过多，甚至会变成另一种打扰。但我觉得可以给它一点时间。
最后是可视化回答。OpenAI 提到，用户说话时，ChatGPT可以展示天气、股票、体育等视觉卡片；Voice也继续支持搜索、记忆、图片和文件上传。
这说明OpenAI在把语音和屏幕信息重新组合起来：适合听的，用声音说；适合看的，就直接展示。
过去，语音更多是文本框的替代品。用户不想打字，就对着手机说一句；模型生成回答，再把文字念出来。它本质上还是文本交互的延伸，只是把键盘换成了麦克风，把屏幕上的文字换成了声音。
但包括GPT-Live在内的、当下的语音助手指向了另一种产品形态：语音不再只是输入输出通道，而是AI参与现实任务的实时入口。
GPT-Live的重点并不是要把ChatGPT从文本框里彻底解放出来。更准确地说，它是在补ChatGPT Voice的日常使用感。
不过，这件事要成立有一个前提：它会不会少打扰用户。
语音助手和文字助手最大的不同是，文字可以被忽略，可以慢慢读，也可以随时关掉；但声音会直接闯进人的注意力里。它接话太急、短反馈太多、判断错停顿，用户感受到的就不是智能，而是烦人。
GPT-Live的真正考验也在这里。
这次更新无疑是有价值的，它让AI语音助手变得更顺，也暴露出了变顺之后，它可能碰上什么问题。GPT-Live现在暴露出的问题，可能也会是其它AI语音助手未来（或者已经存在）的问题。
我想，我们需要一点耐心。
本文来自微信公众号：字母AI，作者：袁心玥